随 机 数 生 成 器
使用python实现伪随机数生成器
在前两天学习了使用python实现伪随机数的方法，今天是时候来做一个总结了。
首先要说明的是什么是随机数，真正的随机数是使用物理现象产生的：比如掷钱币、骰子、转轮、使用电子元件的噪音、核裂变等等。
产生这些随机数的方法有很多种，而这些产生随机数的方法就称为随机数生成器。
像前面说的由物理现象所产生的随机数发生器叫做物理性随机数发生器，它们的缺点是技术要求比较高。
但是在我们的实际生活中广泛应用的是伪随机数生成器，所谓的“伪”就是假的的意思，也就是说并不是真正的随机数。
那么这些随机数是怎么实现的呢？这些数字是由固定的算法实现的，是有规律可循的，并不能实现真正的“随机”，但是它们具有类似于随机数的统计特征。
这样的发生器叫做伪随机数发生器。
实现伪随机数的方法有很多种，如：平方取中法，线性同余法等方法。
下面主要介绍的是线性同余法，如C的rand函数和JAVA的java.util.Random类就是使用该方法实现的，其公式为：rNew = (a*rOld + b) % (end-start)
其中， a称为乘数，b称为增量,（end-start）称为模数，它们均为常数。
然后设置rOld = rNew，一般要求用户指定种子数rOld(也称为
seed)，当然也可以自由选择a和b，但是两个数如果选择不好，可能会影响数字的随机性，所以一般令：
a=32310901
这样使得生成的随机数最均匀。
下面我是用的将种子自定义设为999999999。
代码如下：
def myrandint( start,end,seed=999999999 ):
a=32310901 #产生出的随机数最均匀
rOld=seed
m=end-start
while True: #每调用一次这个myrandint函数，才生成一次随机数所以要惰性求值
rNew = (a*rOld+b)%m
yield rNew
rOld=rNew
#模拟使用20个不同的种子来生成随机数
for i in range(20):
r = myrandint(1,10000, i)
#每个种子生成10个随机数
print('种子',i,'生成随机数')
for j in range(10):
print( next(r),end=',' )
运行结果是使用20个不同的种子生成的随机数。
但是，这样将种子设为固定值是不合理的。
r = myrandint(1,10000,2)
print(r.__next__())
print(r.__next__())
运行结果为：
当再次运行代码：
r = myrandint(1,10000,2)
print(r.__next__())
运行结果仍然是：9993
这便不能体现随机，因此常采用系统时间作为种子来实现该算法。
以上代码只需将seed设为系统时间便可以实现。
std::random_device rd; -- Non-determinstic seed source 伪随机数生成器具有“内部状态”，并根据外部输入的“种子”来生成伪随机数列。
-- 生成0.0~1.0之间的伪随机double数
for(int i = x+1; i = n; i++) down[i] = max(down[i], y);
884936716 1807130337 578354438 892053144
char *buff = "hello world"; --种子
SecureRandom random = SecureRandom.getInstance("SHA1PRNG");
if(number ==1){
a, b = bias_coin(), bias_coin()
cout "在泊松分布中没有体现ramdom_integer函数的效果，所以以下部分是对这个函数进行测试" endl endl;。
伪随机数生成器
2. 我们可以这样认为这个可预见的结果其出现的概率是100%。
真正意义上的随机数（或者随机事件）在某计次产算生机过程中中的是按随照机实验函过数程中是表按现的照分一布概定率算随机产生的，其结果是不可预测的，是不 可我见们的 可以这样认为这个可预见的结果其出现法的概模率拟是1产00生%。的，其结果是确定的， 计算机中的随机函数是按照一定算法模拟产是生的可，见其结的果。是确定的，是可见的。
伪随机数生成器
目录
什么是伪随机数 生成方法 特点与比较
玩转大学PPT素材 更多好素材请访问
我们可以这样认为这个可预见的结果其出现的概率是100%。
玩转大学PPT素材 更多好素材请访问
所以用计算机随机函数所产生的“随机数”并不随机，是伪随机数。
WHAT 真正意义上的随机数（或者随机事件）在某次产生过程中是按照实验过程中表现的分布概率随机产生的，其结果是不可预测的，是不
点击添加文本 点击添加文本
点击添加文本
玩转大学PPT素材 更多好素材请访问
移位法运算速度快， 但是对初始值的依赖 性也很大，一般地初 始值不能取得太小， 选得不好会使伪随机 数列长度较短
C语言中伪随机数 生成算法实际上是 采用了"线性同余 法”。占用内存小 ，使用方法多样。
添加文本
点击添加文本
点击添加文本 点击添加文本
点击添加文本
玩转大学PPT素材 更多好素材请访问
添加文本
我们可以这样认为这个可预见的结果其出现生的过概率程是中100是%。按照实验过程中表现的分布概率随机 玩所转以大 用学计P算P机T素随材机函更数多所好产素生材的请“访随问机数”产并生不随的机，，是其伪结随机果数是。 不可预测的，是不可见的
我们可以这样认为这个可预见的结果机函数是按照一定算法模拟产生的，其结果是确定的，是可见的。
计算机的发展、类型及其应用领域
计算机基础知识计算机的发展、类型及其应用领域简介_____________________________________________________________________ 2一、计算的发展___________________________________________________________ 2二、计算机的组成_________________________________________________________ 31.硬件系统___________________________________________________________ 3（1）电脑最主要的三块____________________________________________ 3（2）电脑的硬件__________________________________________________ 32.软件系统 ___________________________________________________________ 5（1）系统软件____________________________________________________ 5（2）应用软件____________________________________________________ 6三、计算机的类型_________________________________________________________ 71.超级计算机_________________________________________________________ 72.微型计算机_________________________________________________________ 73.嵌入式计算机_______________________________________________________ 74.网络计算机_________________________________________________________ 8（1）服务器______________________________________________________ 8（2）工作站______________________________________________________ 8（3）集线器______________________________________________________ 8（4）交换机______________________________________________________ 8（5）路由器______________________________________________________ 95.工业控制计算机_____________________________________________________ 9四、计算机的应用领域____________________________________________________ 101.科学计算(或数值计算)______________________________________________ 102.数据处理(或信息处理)______________________________________________ 103.辅助技术(或计算机辅助设计与制造)__________________________________ 10⑴计算机辅助设计(Computer Aided Design,简称CAD)________________ 10⑵计算机辅助制造(Computer Aided Manufacturing,简称CAM)_________ 11⑶计算机辅助教学(Computer Aided Instruction,简称CAI)___________ 114.过程控制(或实时控制)______________________________________________ 115.人工智能(或智能模拟)______________________________________________ 116.网络应用__________________________________________________________ 127.多媒体技术________________________________________________________ 128.娱乐______________________________________________________________ 12简介计算机（computer）俗称电脑，是一种用于高速计算的电子计算机器，可以进行数值计算，又可以进行逻辑计算，还具有存储记忆功能。
数据定时发生器 DTG5078 DTG5274 DTG5334 说明书
模块) －电平控制，5 mV 分辨率
易学易用，缩短测试周期 － 简便地配置插入式模块 － 直观的 Windows 用户界面 － 台式机 － 集成式 PC，支持网络集成和内置
光驱、LAN、软驱、USB 端口
3 Gbps － InfiniBand: 2.5 Gbps － XAUI: 3.125 Gbps － HDMI Version 1.3/DVI
磁性和光学存储设计 － 研究、开发和测试下一代磁性和
光学存储设备(硬盘、光盘 /DVD/ Blue-ray)
数据转换设备设计 － 检定和测试下一代数模转换器
抖动传递和抖动容限测试
频率分辨率－ 8 位设置分辨率。 最小: 1 mHz (如 50,000.000 Hz 设置)。 内部时钟精度－ ± 1 ppm 范围内。 抖动－ DTG5078: 750 Mbps、0.8 Vp-p 时< 2 psRMS (典型值)。 DTG5274: 2.7 Gbps、0.8 Vp-p 时< 2 psRMS (典型值)。 DTG5334: 3.35 Gbps、0.8 Vp-p 时< 2 psRMS (典型值)。 幅度 / 分辨率－ 0.03 Vpk-pk - 1.25 Vpk-pk /10 mV (50 欧姆)。 0.06 Vpk-pk - 2.5 Vpk-pk /10 mV (1 兆欧)。 输出电压窗口－ -2 - 2.47 V (50 欧姆)。 -2 - 7 V (1 兆欧)。 最大输出电流－± 80 mA。 跳变时间(20% - 80%)－ DTG5078:
定时参数 数据速率范围－
DTG5078: NRZ: 50 Kbps - 750 Mbps。 RZ, R1, 脉冲模式: 50 Kbps - 375 Mbps。
硅臻量子量子随机数发生器产品手册说明书
ETS 合肥硅臻芯片技术有限公司（硅臻量子）是一家专注于光量子集成芯片设计的国家高新技术企业，聚焦于打造光量子计算、量子安全、量子教研等领域的量子信息关键器件、设备以及解决方案，矢志通过集成芯片技术让量子信息产品变得更小巧、更高效、更可靠、更实惠，为光量子技术从理论走向实践、从科研走向市场贡献一份力量。
顾问中国科学院院士丨中国量子信息学科开创者中国科学院量子信息重点实验室主任国家科技部中长期规划“量子调控”重大项目⸺“量子密码通信与量子计算的物理实现”首席科学家中国科学技术大学教授中国密码学会量子密码专业委员会委员兼秘书长发表SCI论文100余篇，获美欧授权发明专利2项、中国授权发明专利15项郭光灿院士陈巍博士创始人中国科学技术大学教授丨教育部“青年长江学者”主持了科技部973课题、基金委重大项目课题等科研项目十余项发表SCI论文100余篇，Science 1篇，Nature 1篇，授权发明专利3项任希锋博士首席科学家安徽省科技重大专项承担单位合肥市重点集成电路企业中国通信标准化协会全权会员国家高新技术企业ISO9001认证硅臻量子SILICON EXTREME科学家团队SCIENTIST TEAM企业荣誉ENTERPRISE HONORS产生原理三种随机数发生器的对比统计随机性安全性软件算法经典混沌物理现象好量子随机物理现象好非常好弱一般高（有限长重复，可预测）（依赖窃听者算力假设）（不依赖算力假设，可证明随机）PRNG伪随机数发生器TRNG经典真随机数发生器QRNG量子随机数发生器可抗量子计算、可证明随机的真随机数发生器。
加密密钥的随机性是决定一个加密系统是否安全的关键，真随机数不可被预测、不可被回溯以及无数字模式等随机特性成为信息系统安全的核心保障。
量子随机数发生器（QRNG）成为了当前唯一一种可证明真随机的随机数发生装置，是信息安全系统中理想的密钥源。
硅臻量子的量子随机数发生器产品基于光学技术制造，可支持最高1.6Gb/s的量子随机数产生。
随机数讲解
随机数讲解随机数是一种随机生成数字的算法,可以用于各种不同的应用中。
在现代科技中,随机数已经成为了许多应用不可或缺的一部分,例如密码学、数据加密、人工智能、金融等等。
本文将介绍随机数的生成原理、应用场景以及如何使用随机数。
一、随机数生成原理随机数生成算法最基本的原则是“生成一个序列唯一的数字”。
为了实现这个目标,随机数生成器会通过多种算法生成一个序列数字。
现在我们来介绍几种常见的随机数生成算法。
1.Pseudo Random Number Generator(PRNG)PRNG是一种基于伪随机数生成的随机数生成器。
它使用的是一个序列伪随机数种子,通过这个种子来计算出其他的伪随机数。
每次生成的随机数都应该是不同的,并且可以通过简单的加法、减法、乘法等操作与之前的随机数进行区分。
2.True Random Number Generator(TRNG)TRNG是一种真正的随机数生成器,它使用的是一个物理随机数种子。
这个种子可以随着时间的推移而改变,因此生成的随机数可以保证是不同的。
TRNG通过一系列的数学运算来生成真正的随机数,并且这些随机数可以精确地表示任何种子。
3.Secure Random Number Generator(SRNG)SRNG是一种安全的随机数生成器,主要用于金融和密码学等领域。
它使用的是一个安全的随机数种子,并且可以生成同时满足NIST GG 88-1和FIPS140-2标准的随机数。
为了保证随机性,SRNG在生成随机数之前会对种子进行一个非线性变换,以消除种子对随机性造成的微小影响。
二、随机数应用场景随机数在许多应用中都可以使用,下面列举了其中的一些应用场景。
1.密码学随机数在密码学中有着重要的应用,主要用于生成加密密钥、随机密码以及数字签名等。
这些数字都是基于随机数生成的,可以确保密码的复杂度和安全性。
2.数据加密随机数也可以用于数据加密中。
通过使用随机数作为密钥,数据加密算法可以确保密钥的复杂度和安全性,以保护数据的安全。
随机森林（RandomForest）
随机森林（RandomForest）1.什么是随机森林简述随机森林是⼀个⾼度灵活的机器学习⽅法，拥有⼴泛的应⽤前景，从市场营销到医疗保健保险。
既可以⽤来做市场营销模拟的建模，统计客户来源，保留和流失。
也可⽤来预测疾病的风险和病患者的易感性。
随机森林是⼀个可做能够回归和分类。
它具备处理⼤数据的特性，⽽且它有助于估计或变量是⾮常重要的基础数据建模。
随机森林是⼏乎任何预测问题 (甚⾄⾮直线部分) 的固有选择。
它是⼀个相对较新的机器学习的策略（在90 年代产⽣于贝尔实验室 ) 和它可以⼏乎⽤于任何⽅⾯。
思想随机森林就是通过集成学习的思想将多棵树集成的⼀种算法，它的基本单元是决策树，⽽它的本质属于机器学习的⼀⼤分⽀——集成学习（Ensemble Learning）⽅法。
随机森林的名称中有两个关键词，⼀个是“随机”，⼀个就是“森林”。
“森林”我们很好理解，⼀棵叫做树，那么成百上千棵就可以叫做森林了，这样的⽐喻还是很贴切的，其实这也是随机森林的主要思想--集成思想的体现。
“随机”的含义我们会在下边部分讲到。
其实从直观⾓度来解释，每棵决策树都是⼀个分类器（假设现在针对的是分类问题），那么对于⼀个输⼊样本，N棵树会有N个分类结果。
⽽随机森林集成了所有的分类投票结果，将投票次数最多的类别指定为最终的输出，这就是⼀种最简单的 Bagging 思想。
2.相关知识集成学习集成学习通过建⽴⼏个模型组合的来解决单⼀预测问题。
它的⼯作原理是⽣成多个分类器/模型，各⾃独⽴地学习和作出预测。
这些预测最后结合成单预测，因此优于任何⼀个单分类的做出预测。
随机森林是集成学习的⼀个⼦类，由于它依靠于策率树的合并。
信息、熵以及信息增益的概念这三个基本概念是决策树的根本，是决策树利⽤特征来分类时，确定特征选取顺序的依据。
理解了它们，决策树你也就了解了⼤概。
引⽤⾹农的话来说，信息是⽤来消除随机不确定性的东西。
当然这句话虽然经典，但是还是很难去搞明⽩这种东西到底是个什么样，可能在不同的地⽅来说，指的东西⼜不⼀样。
常见随机数发生器的缺陷及组合随机数发生器的理论与实践
造了几个可供实际使用的 组合随机数发生器。严 格而全面的统计检 验表明, 它们 可以产生具有优
良品质的随机数。
关键词: 蒙特卡罗; 随机数; 组合随机数发生器
中图分类号:
文献标识码: A
一、常见随机数发生器的缺陷
最 为常 见 的 随 机 数 产 生 方 法 有 线 性 同 余 法( L CG) 和 移 位 寄 存 器 法, 后 者 也 称 为 T ausw o rthe 序列方法。这些方法自五、六十年代提出, 其后一直得到广泛的应用。但是随着理 论与实践的深入。这些方法的缺陷及问题的严重性进一步暴露。本节将指出这些缺陷。
m
M = ∏M j , a = j= 1
m
2
j= 1
a( j) n( j) M (j)
M
mod M ,
n(j ) =
M M(j )
M(j ) - 2
mod M ( j) , j =
1, 2…, m ,
关联 L CG 中的乘子 A与组合系数 c( j) 的取值无关。他们还证明了如下两个定理:
定理 3: 若 Zo / M= uo , 则 Zi/ M = ui 对所有 iE 0 成立。
0, 1, …
式中 c( 1) , …, C( m) 为 m 个任意非零正整数, 且{ ui} 或{ v i} 都可以看作是伪随机数序列。
L 'Ecuyer-T ezuka 定义如下一个关联 L CG:
Zi+ 1 = aZim odM , i = 0, 1, …
式中
48
数理统计与管理
20 卷 1 期 2001 年
二、线性同余组合发生器的理论
在各种各样的新方法中, 组合随机数发生器是最值得关注的。组合发生器是指几个不同随
第三章 随机变量和随机分布
理、工程及生产管理等方面问题，首先建立一个概
率模型或随机过程，使它的参数等于问题的解；然 后通过对模型或过程的观察或抽样试验来计算所求 随机参数的统计特征，最后给出所求解的近似值。 蒙特卡洛方法以概率统计为主要理论基础，以
随机抽样为主要手段。通过实验获得样本特征值以
机性、试验的独立性以及前后的一致性。 2. 产生的随机数要有足够长的周期，以满足仿真的
实际需要。 3. 产生随机数的速度要快，占用的内存空间要小。
31
计算机产生随机数的算法
计算机产生随机数的通常方法是利用一个递推公式：
X n f X n1 , X n2 , , X nk
给定了k个初始值 X n1, X n2 , , X nk ，就可以利用这个递推
概率函数。其中Pn必须满足下列两个条件：
（1）
Pn 0 , n 1,2,,
（2）
P
n 1
n
1
7
离散型随机变量
概率分布函数
离散型随机变量x的累积分布函数 定义:当x小于或等 于某个给定值x`的概率函数，记为P(x ≤x`) = F(x)。 设随机变量x可能取值x1，x2，…，xn，…，则x的累积 分布函数为
16
3.2 蒙特卡洛方法与随机数
蒙特卡洛方法也称统计模拟方法，该方法利用
随机数进行统计实验，以期求得均值、概率等特征
值作为待解问题的数值解。源于二战期间研制原子 弹的“曼哈顿计划”，用赌城的名字作为中子随机 扩散的模拟研究代号。后人将计算机随机仿真方法 称为蒙特卡洛方法。
17
3.2 蒙特卡洛方法与随机数
(x)曲线围出的面积(图中阴影部分)必
c51随机数产生
方法二：
利用ADC，我们知道电路上电后会有噪声，这个噪声可以被看做随机干扰，如果用ADC测量这个噪声，得到的同样是随机数。该方法不足主要是噪声一般只有几十毫伏，
不能得到精度很高的随机数，尤其是8位ADC，效果会不太理想，最好是12位以上的ADC才有比较好的效果。
方法三：
方法一合方法二组合使用，用这两种方法产生的连个不同随机数经过运算得出新的随机数。
一定会存在一个时间差。想一想，人的反应速度能达到毫秒级别吗？所以如果是一个16位的毫秒计数器，就可以提供65536种可能给应用程序，重复的可能性已经相当小。
该方法不足时会占用一定的系统资源，比如一个指令速度为8MHz的8位单片机，假定定时中断需要占用20个指令周期，中断程序会占用单片机约0.2%的运行时间。
>>>>>>>>> 若系统是一个没有外部条件输入的系统，则无论程序怎么写，总是确定的。
-----------
DSP的12位AD6路之多，就拿出一路来做个事儿了。。。
------------------
我常用的简单随机数产生方法
在单片机程序编写中，常常需要使用随机数字，如何产生随机数的方法有许多，常见的是用一个简单的算法计算出随机数，这样就可以得到一个数学理论上是随机分布的随机数序列。
利用定时中断，创建一个1毫秒的定时中断程序，里面对一个计数器进行累加，在程序需要使用随机数的时候就使用这个计数器的值。只要程序有人机交互功能，
一旦人有进行选择控制，做出选择控制的时间对机器来说无疑是绝对随机，因为人和机器完全独立，机器并不知道人会在什么时候做出选择。
就算是两个人看到机器某个提示立即按下某个键，表面看好像两个人是同时做出反应，如果把时间细分，这两个人就不可能是绝对同时反应，
一种基于数字处理单元的真随机数发生器设计
一种基于数字处理单元的真随机数发生器设计刘长龙;陈燕【摘要】True random number generator ( TRNG) is one important element in secure communication system and information security chip,which is used to generate true random number sequences required by the system to realize the communication encryption or authentication.In this paper,the traditional true random number generator based on the structure of analog random source was im⁃proved.The digital processing unit is added after in the random source which consists of Manchester encoder,linear feedback shift regis⁃ter (LFSR) and the AES operation unit.The true random number sequence generated by the analog random source is sent to use in sys⁃tem after the digital circuit processing.Digital and analog co⁃simulation results show that the Structure of TRNG effectively improves the random index of the true random number sequence,so as to improve the encryption performance of the system or the chip and guarantee communication security and data security.%真随机数发生器（ True Random Number Generator， TRNG）是保密通信系统以及信息安全芯片中的重要单元之一，用来产生系统所需要的真随机数序列，从而实现通信加密或者身份认证。